參與世界最大天文臺合作計畫，懷抱夢想的天文學家賴詩萍博士

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／歐柏昇
• 美術設計／蔡宛潔

訪問事件視界望遠鏡計畫成員

事件視界望遠鏡（EHT）2022 年 5 月公布人馬座 A 星（Sagittarius A*, Sgr A*）的黑洞照片，終於揭開銀河系中心超大質量黑洞的面紗。黑洞觀測仰賴特長基線干涉技術（VLBI, Very-long-baseline interferometry），從硬體設備的建造到成像工作，每一步驟都大有學問。中央研究院「研之有物」專訪院內天文及天文物理研究所副研究員淺田圭一，他直接參與了本次黑洞影像的工程，以下讓我們一起深入瞭解！

首先介紹淺田圭一（Keiichi Asada）副研究員，他是事件視界望遠鏡計畫的成員，2009 年延攬來臺灣中研院天文所，從事次毫米波段的 VLBI 研究。

淺田圭一對於 EHT 陣列的格陵蘭望遠鏡（GLT）貢獻良多，完整參與了 GLT 望遠鏡的選址與建造，目前他在計畫中負責管理黑洞觀測。此外，淺田圭一也是人馬座 A 星成像團隊的一員，因此對於影像處理的細節相當瞭解，我們將透過訪問，逐漸揭開銀河系中心黑洞照片背後的秘密。

會隨著時間改變結構的銀河系黑洞：人馬座 A 星

早在 2017 年，事件視界望遠鏡就同時完成 M87 和人馬座 A 星兩個黑洞的觀測。為何 M87 黑洞影像在 2019 年就公布，然而人馬座 A 星卻要多等三年呢？

淺田圭一說，研究團隊在 2018 年取得數據的時候，很快就發現 M87 的數據處理容易得多。人馬座 A 星的成像之所以困難，其中有個關鍵因素，是它的周圍結構隨著時間變化非常迅速。

電波干涉儀觀測的原理，是利用望遠鏡之間兩兩一組構成的「基線（baseline）」，測量訊號抵達的時間差，來建構出天體的長相。觀測的時候，每條基線可填入一個資料點。由於地球會自轉，隨著時間的推移，望遠鏡以不同角度接收天體訊號，資料點也愈來愈多，就像是相機長曝光一樣，可以填入愈來愈多的資訊，提高影像品質。

淺田圭一解釋，長曝光的時候目標不應該移動；如果曝光過程中，觀測目標變化很大，就會很難成像，而人馬座 A 星就是這種情況。

一張花費五年的照片，科學家在做什麼？

這張黑洞影像的產生耗費了五年，是個浩大的工程。淺田圭一說明，從觀測到產出這張照片，共歷經四個階段的主要任務：觀測（observation）、訊號相關（correlation）、校準（calibration）、成像（imaging）。

觀測（observation）

2017 年，八座望遠鏡共同完成了人馬座 A 星的觀測，而中研院參與了其中三座望遠鏡的建造與營運。

觀測的時候，望遠鏡接收宇宙中傳來的電磁波，轉換為數位訊號（00、01、10、11），記錄在硬碟中。由於事件視界望遠鏡的各個測站距離遙遠，必須先分別將數據儲存下來，用飛機運送到美國麻省理工學院（MIT）和德國馬克斯·普朗克研究所（Max Planck Institutes）。這兩個機構擁有超級電腦，可進行下一步的運算。

為何要用飛機傳送數據呢？淺田圭一開玩笑說：「當然也可以用船！」真正的原因是黑洞的觀測資料非常龐大，每座望遠鏡每秒可生成 4 GB 的資料，一次觀測的資料總量高達 5 PB。加上有些測站地理位置偏遠，網路傳輸非常不便。例如其中一個測站是南極望遠鏡，只有非常慢的衛星網路，於是這麼龐大的資料只能靠飛機實體傳輸。

訊號相關（correlation）

研究機構收到飛機運來的硬碟之後，利用超級電腦進行「訊號相關」的步驟。電波干涉需要計算多組望遠鏡之間接收訊號的時間差，因而需把來自各地的數據關聯在一起。

這個步驟在 2018 年完成，大約花了一年時間。淺田圭一說，研究團隊不希望有任何錯誤，所以每個步驟都很仔細檢查，不斷發現問題，又回去修正，因此耗費很多時間。

校準（calibration）與成像（imaging）

完成訊號相關之後，還需要校準，將原始數據轉換為能量的物理單位。研究團隊使用兩種不同的指令流程來校準（註1），確認結果一致。

電波干涉儀所測得的數據，並不是直接的「照片」，而是影像經由傅立葉轉換後的結果。下圖稱為 uv 平面（uv plane），用來表達電波天文影像經傅立葉轉換後的空間。

若要直接解出影像，電波觀測的數據需要完全填滿 uv 平面，但是現實中無法做到，只能盡可能取得 uv 平面上的資訊，進而根據既有資料，運用模擬來還原影像。總之，成像是個需要技巧的艱難任務。

重建黑洞影像：步驟複雜的艱難任務

淺田圭一說明，重建影像的方法很多，並且有眾多參數可調整。以 VLBI 觀測黑洞，uv 平面的數據肯定無法收滿，故一開始的觀測數據可產生非常多種影像，其中有些是環狀，有些是點狀。面對這麼多種可能性，科學家如何理出頭緒？

成像工作的重點，在於有技巧的「逆推」。為了找出 uv 數據和黑洞影像的相關性，要先「訓練」一個優秀的影像重建模型。訓練模型要先找出優良的參數，使得影像和數據結果最吻合，尋找優良參數需要依靠電腦模擬，從假設的幾何結構產生假想的數據。

在分析真實數據之前，研究團隊先拿電腦生成的假想數據來「訓練」重建影像的程式。這個「訓練」過程會嘗試非常多的參數組合，並檢驗程式生成的影像是否符合原先假設的幾何結構，藉此挑選出一些優良的參數組合。

找出優良的參數之後，再將這些參數套用在真實觀測數據上，開始重建真實的黑洞影像。

經由模擬找出的優良參數仍然不只一組，於是就有許多種和觀測數據吻合的影像。研究團隊並不是從中挑出唯一的影像，而是根據結構形狀把影像分為四種類型，並且取平均，得到最終公諸於世的那一張黑洞影像。

由於成像並非直觀的過程，所以科學家們各有不同的想法來成像。淺田圭一說，大家都知道成像很困難，雖然本質是國際合作，但是想法本身都是來自個人，所以這項任務也像是國際競爭，看誰能找出最好的解法。

2018 年取得數據之後，科學家嘗試很多方法來成像。大約在 2019 年底，就產生和最終結果多少相似的影像，但是研究團隊沒有十足把握，所以繼續微調、反覆確認，直到今（2022）年初，才終於得到有把握的黑洞影像。

對於事件視界望遠鏡的團隊而言，這幾年是個辛苦的歷程。他們每週都有橫跨亞洲、歐洲、美洲的線上國際會議，為了配合所有國家的時區，會議時間通常都在亞洲的晚上。淺田圭一說，對於年輕同事真是感到抱歉，他們週五晚上經常無法去放鬆 Happy，必須參與國際會議。

黑洞影像的背後，除了眾人之力，還需要先進的儀器

黑洞照片的產出仰賴眾多科技。除了軟體技術之外，若沒有先進的硬體設備，如此精密的觀測無法完成。淺田圭一認為，中研院在黑洞觀測的硬體設備上有兩大貢獻：

第一是數位轉換器（digitizer）。望遠鏡接收到的電磁波，需轉成數位訊號，才能進行下一步的數據處理。所有測站的數位轉換器都是由中研院完成，幕後功臣是天文所的江宏明研究技師。

第二是位於智利的阿塔卡瑪大型毫米及次毫米波陣列（ALMA）。事件視界望遠鏡大部分的靈敏度都來自 ALMA，遠遠超過其他望遠鏡。

ALMA 本身是個由數十座望遠鏡構成的干涉儀，但是黑洞觀測要把 ALMA 當作單一的一座望遠鏡，和其他測站共同組成更大的干涉儀。欲達成此目標，需要添加特殊功能，確保 ALMA 內部每一個望遠鏡所接收的電磁波對齊。這就是國際合作的 ALMA Phasing Project 的任務，早在事件視界望遠鏡合作團隊組成之前，中研院天文所就參與了這個計畫。

由於電波干涉儀的基本原理，是運用各個測站訊號抵達的時間差，來還原天體影像，因此需要非常精確地測定時間。事件視界望遠鏡的同步器（synchronizer）是運用氫邁射（hydrogen maser）的原子鐘，每秒鐘具有 10^-13 的精確度，各個測站都需要裝設此配備。

原子鐘需要放置在很穩定的溫度和磁場下，以及無震動的環境中。氫邁射原子鐘的外面需要包裹三層的容器，確保設備高度穩定。事件視界望遠鏡的每個測站，都有專門放置原子鐘的位置。淺田圭一笑著說：電波望遠鏡放置原子鐘的房間裡有張椅子，那是他最喜歡的工作地點，因為最不容易受到干擾！

黑洞影像是眾多科學家協力完成的鉅作。精密硬體設備的每個部分，都是黑洞觀測不可或缺的利器。人馬座 A 星黑洞觀測完成之後，數據分析的工作也相當艱辛，耗費五年的時間才成功重建影像。一張「黑洞照」，絕不是曝光之後就會自動跑出來，而是集合眾人之力，以嚴密科學方法達到的成就。

註解

註 1：EHT 研究團隊使用兩套指令流程來校正數據：the CASA-based rPICARD pipeline、the HOPS-based EHT-HOPS pipeline

延伸閱讀

• 簡克志（2022）。〈為什麼拍到銀河系中心黑洞很重要？如何看見黑洞？黑洞 QA 大集結！〉，《研之有物》。
• 歐柏昇、簡克志（2021）。〈人類首張黑洞照片再升級！解讀 M87 星系黑洞偏振光影像與後續〉，《研之有物》。
• 銀河系中心。（2020 年）。中央研究院天文所季報《天聞》2020 年冬季號。 
• Event Horizon Telescope Collaboration, Akiyama, K., Alberdi, A., Alef, W., . . . Zhao, S. S. (2022). First Sagittarius A* Event Horizon Telescope Results. III. Imaging of the Galactic Center Supermassive Black Hole. The Astrophysical Journal Letters, 930(2), L14.
• Event Horizon Telescope Collaboration, Akiyama, K., Alberdi, A., Alef, W., . . . Yamaguchi, P. (2019). First M87 Event Horizon Telescope Results. IV. Imaging the Central Supermassive Black Hole. The Astrophysical Journal Letters, 875(1), L4. 

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文｜歐柏昇
• 美術設計｜林洵安

為什麼要研究宇宙中的複雜分子？

生命如何在宇宙中起源？這是天文學家關注的一個大哉問，也許我們可以從星際中的複雜分子，獲得一些可能線索。「研之有物」團隊專訪中央研究院天文及天文物理研究所呂聖元副研究員，他長期研究天文化學，2020 年普查在獵戶座大星雲的恆星形成區，探測到 4 顆富含複雜分子的「熱微核」（hot corino），有助於釐清恆星誕生時周遭雲氣的化學演化。

尋找星際中的複雜分子

天文學家很早就知道，星際空間中存在著成分以氫氣為主的分子雲（molecular cloud）。到了 1960 年代，隨著電波天文學進展，學者們在分子雲中陸續偵測到新的分子訊號。這才發現，分子雲裡面除了氫氣，還摻雜著很多不同的分子。由於分子雲是恆星與行星系統誕生的地方，不禁讓人聯想，其中或許存在一些和生命起源有關的分子。

相較於簡單分子而言，由至少 6 個以上原子構成的有機分子，天文學家稱為「複雜有機分子」（complex organic molecules），可能和生命起源有更多連結。過去天文學家就試著尋找複雜有機分子，不過早期望遠鏡靈敏度低，所以起初偵測到的分子都較為簡單。

天文學家偵測星際雲氣中分子的方法，是量測分子的轉動光譜。氣態的分子有時轉得快、有時轉得慢，當分子在不同轉動模式變換時會發出或吸收光線，而這些具有特徵的光線就構成分子的轉動光譜。

為什麼複雜分子的訊號會比較微弱呢？呂聖元說主要原因有兩個：首先，複雜分子通常需要經歷很多化學過程才能形成，所以在星際雲氣中的豐度（註1）相對來說比較低。第二，簡單分子的轉動模式比較單純，複雜分子的轉動模式卻很多，使得每條輻射譜線的亮度相對微弱而更不容易觀測。

隨著天文儀器越來越靈敏，實驗室量測到、用來比對的分子光譜數量越來越多，科學家在星際偵測到的分子種類迅速增加，並找到更多結構複雜的分子。目前已偵測到的星際分子種類，從 50 年前的個位數，增加到最近的 200 多個。進入 21 世紀後，綠堤望遠鏡（GBT）以及阿塔卡瑪大型毫米及次毫米波陣列（ALMA，中研院亦參與研發建造）等新儀器相繼上線運作，搜尋複雜有機分子的成果更是突飛猛進。

雖然目前已找到的複雜有機分子，尚未能直接連結到生命起源，不過天文學家繼續努力搜尋和生命有關的分子。例如，許多學者努力在星際間尋找「甘胺酸」（Glycine），甘胺酸是一種構造相對簡單的胺基酸，是構成人體蛋白質的成分之一，若能找到這種分子，有望幫助我們掌握生命起源的線索。

在獵戶座星雲偵測到新的「熱微核」

1990 年代找到的許多複雜有機分子，都是在大質量恆星誕生的區域發現，這些地方稱為「熱分子核（hot molecular core）」或者「熱核」。發現熱核之後，天文學家進一步想：在類似太陽系的小質量恆星誕生區，是否也能找到複雜有機分子呢？

2004 年起，科學家的確在小質量恆星誕生的區域，找到了一些複雜有機分子。這些天體比起「熱核」來說，不論是大小或是質量都要來得小，因此被稱之為「熱微核（hot corino）」。

呂聖元指出，不論「熱核」或是「熱微核」，所謂的「熱」，其實只是相對一般的雲氣來說比較高溫。一般分子雲只有大約絕對溫度 10 度（10K，約 -263 ℃），非常寒冷，而熱（微）核可達大約 100K 至 200K（約 -173℃ 至 -73 ℃）。在恆星形成的過程中，部分雲氣密度變高，同時被加熱，於是可在毫米波與紅外線波段看到比較亮的區域，而「熱微核」就是相對高溫的緻密區域。

2020 年，臺灣大學的博士生許世穎和呂聖元合作發表論文，登上《天文物理期刊》（The Astrophysical Journal），他們在獵戶座大星雲偵測到了 4 個新的熱微核！在此之前，已知的熱微核並不多，只有不到 20 個，主要出現在經常被觀測且已知的明亮恆星形成區。

呂聖元研究團隊採用全然不同的途徑，不去觀測已知的恆星形成區，而是像矇著眼睛般，普查獵戶座星雲中之前沒被發現、或是尚未被詳細研究過的恆星形成區域，結果就發現了裡面的熱微核。這項重要發現受惠於 ALMA 望遠鏡的高靈敏度，故可偵測到過去可能無法被看見的訊號。

事實上，幫助呂聖元團隊找到熱微核的這項 ALMA 觀測計劃，最初的目的並非尋找複雜有機分子，在呂聖元團隊看過光譜之後，才發現熱微核就在其中，可說是意外的驚喜。

那麼，偵測到新的熱微核意味著什麼？

宇宙中可能更普遍存在複雜有機分子

熱微核並不是所有恆星形成區域都能看到，但是看不到熱微核的地方是真的沒有熱微核，或者只是我們「視而不見」呢？

呂聖元團隊研究發現，目前找到的熱微核，大多仍出現在總亮度相對比較亮的恆星形成區。為什麼比較亮的地方才看得到熱微核？許世穎和呂聖元等即將發表的新論文提供了解釋：明亮的原恆星附近輻射比較強，因此可造成範圍較大的熱區，使得熱微核較容易被看到。

呂聖元進一步說明，依照目前主流的了解，複雜有機分子經常在星際塵埃表面的冰晶形成。在熱區之中，冰晶中的分子得以揮發成為氣態，而能被人們透過分子轉動光譜觀測到。明亮的原恆星附近造成較大的熱區，可能就是比較容易觀測到熱微核的原因。

如果以上的解釋正確，就表示目前找到的熱微核數量，可能只是冰山一角。可能在更多的恆星形成區都有熱微核存在，只不過有些熱微核尺度不夠大，所以在目前儀器的靈敏度下沒能偵測到。

呂聖元團隊運用 ALMA 望遠鏡的高靈敏度觀測，確實已在一些過去沒有看到熱微核的地方，找到了較黯淡的熱微核，能夠支持以上的推論。也就是說，可能許多恆星形成區都有熱微核，或者說複雜分子的分布比原先想像更加普遍。

最近還有其他研究發現，在恆星誕生之前的冷雲氣中也偵測到複雜有機分子。也就是說，雲氣還沒有加熱之前，複雜有機分子就已經在氣態中。這表示可能有除了原恆星加熱外的其他管道將冰晶中的複雜有機分子釋放出來，或是有其他的化學反應機制來形成複雜有機分子。

持續尋找生命起源的線索

複雜有機分子與生命起源的關聯，雖然尚未有明確答案，但天文學家持續探討這類分子的相關形成機制。呂聖元團隊中的博士後研究員沙德培（Dipen Sahu），近期主導研究甘胺酸的同分異構物——氨基甲酸甲酯（Methyl carbamate）在熱微核環境的形成機制。這項研究考慮了相關的化學反應，利用天文化學模型，計算出恆星形成區此分子的含量，推導的結果與針對熱微核量測出的分子含量上限一致。

呂聖元也談到複雜有機分子與生命起源研究的展望。他認為，這些研究值得以跨領域的方向來發展。國外有些研究單位，已能結合冰晶實驗、化學、天文觀測來研究複雜有機分子，而國內的學者在各個相關項目也有專長。長遠來說，如果要研究生命起源，則需結合天文學與生物學的知識，朝著「天文生物學」的方向發展。

天文學家利用 ALMA 望遠鏡的高靈敏度、高解析度觀測，不但在星際中找到更多種類的複雜有機分子，也在更多恆星形成區發現了富含複雜有機分子的「熱微核」。這些分子最終能否留在它們的太陽系，還有很多關卡要過。未來更進一步的科學研究與發現，將能幫助人們釐清星際中的化學過程，繼續向前一步回答生命起源的大哉問。

註1：一般指該分子成分相對於氫分子（H₂）的數量。好比最常見的一氧化碳分子（CO），其在星際分子雲中的豐度大約是10^-4，也就是大約每 1 萬個氫分子才有 1 個一氧化碳分子。

延伸閱讀

• 呂聖元個人網站
• 許世穎、Dipen Sahu（沙德培）、呂聖元，〈外星生命先驅？—新生恆星周邊的有機化學〉，《自然科學簡訊》第 32 卷第 4 期，2020
• McGuire B. A. (2021). 2021 Census of Interstellar, Circumstellar, Extragalactic, Protoplanetary Disk, and Exoplanetary Molecules. arXiv (Accepted for publication in the Astrophysical Journal Supplements).
• Hsu, S. Y., Liu, S. Y., Liu, T.,. . . Zhang, Q. (2020). ALMA Survey of Orion Planck Galactic Cold Clumps (ALMASOP). I. Detection of New Hot Corinos with the ACA. The Astrophysical Journal, 898(2), 107.
• Sahu, D., Liu, S. Y., Das, A., Garai, P., & Wakelam, V. (2020). Constraints of the Formation and Abundances of Methyl Carbamate, a Glycine Isomer, in Hot Corinos. The Astrophysical Journal, 899(1), 65.